3 月 24 日，Google Research 發佈了一套名爲 TurboQuant 的向量量化壓縮算法，宣稱能將大語言模型的 KV 緩存（Key-Value Cache）壓縮至僅 3 比特，同時實現零精度損失。
在 NVIDIA H100 GPU 上的測試中，4 比特精度的 TurboQuant 在計算注意力 logits 時取得了相比 32 位未量化基線高達 8 倍的性能提升。這篇論文將於下月在 ICLR 2026 上正式發表，第一作者 Amir Zandieh 是 Google Research 的研究科學家，通訊作者 Vahab Mirrokni 是 Google Research 副總裁兼 Google Fellow。
圖丨相關論文（來源：arXiv）
消息發佈當天，資本市場給出了自己的解讀。內存芯片廠商 SanDisk（SNDK）股價在週三交易時段下跌約 5%，收於 677.86 美元。分析師指出，TurboQuant 所代表的極端壓縮技術路線，對於一家憑藉 AI 驅動的內存需求在 2025 年股價飆漲近 196% 的芯片公司而言，構成了直接的敘事威脅。這個市場反應或許有些過度，但華爾街的焦慮也不無道理，畢竟 KV 緩存的內存開銷，確實已經是 LLM 運營者賬單上最大的單項成本之一。
大語言模型在生成文本時，每處理一個 token 都需要計算並存儲一組 key 和 value 向量，以便後續生成時不必從頭重算。這些向量逐 token 累積，內存佔用隨上下文長度線性增長。
以 Llama 3 70B 參數模型爲例，當併發服務 512 個請求、每個請求的 prompt 長度爲 2,048 個 token 時，僅 KV 緩存就需要大約 512GB 的存儲空間，幾乎是模型權重本身所需內存的四倍。上下文窗口越長，這個數字就越誇張。對於任何在生產環境中運行 LLM 的團隊來說，KV 緩存的內存開銷早已從技術細節升級爲成本核心。
傳統的向量量化方法確實可以壓縮 KV 緩存，把浮點數映射到低比特的整數表示，但大多數方案都面臨一個共同的尷尬：爲了保證量化精度，每個數據塊都需要額外存儲一組全精度的量化常數（比如縮放因子和零點），這些常數本身會增加 1 到 2 個比特的額外開銷，相當於一邊壓縮一邊又把空間還回去。TurboQuant 瞄準的正是這個問題。
TurboQuant 本質上是三篇論文的組合成果。第一個組件叫 PolarQuant，將在 AISTATS 2026 上發表。它的核心思路是對輸入向量做一次隨機旋轉，將數據從標準的笛卡爾座標系轉換到極座標系。傳統量化方法在笛卡爾座標下工作，需要爲每個數據塊單獨計算歸一化參數，而極座標變換後，向量被分解爲一個半徑（代表信號強度）和一組角度（代表方向信息）。
關鍵在於，旋轉後每個座標的分佈會收斂到一個已知的 Beta 分佈（高維下近似高斯分佈），且不同座標之間近似獨立。這意味着可以對每個座標獨立地使用最優的標量量化器（通過經典的 Lloyd-Max 算法求解連續一維 k-means 問題），不再需要存儲逐塊的量化常數，從根本上消除了傳統方法的內存開銷。
第二個組件是 QJL（Quantized Johnson-Lindenstrauss，量化 JL 變換），已於 AAAI 2025 發表。QJL 利用經典的 Johnson-Lindenstrauss 變換將高維數據降維，同時把每個結果值壓到只剩一個符號位（+1 或 -1），整個過程零額外內存開銷。它的價值在於提供無偏的內積估計，這對注意力計算至關重要。
TurboQuant 將兩者組合成一個兩階段流水線：先用 PolarQuant 以 b-1 比特的精度完成主體壓縮，喫掉絕大部分誤差；再對殘差（主體壓縮後剩餘的微小誤差）施加 1 比特的 QJL 變換，消除內積估計中的偏差。論文從信息論角度證明，這種組合方案的失真率與 Shannon 下界之間只差一個約 2.7 的常數因子。換句話說，TurboQuant 在理論上已經非常接近任何壓縮算法所能達到的最優邊界。
實驗結果的亮點集中在幾個方面。在“大海撈針”（Needle-in-a-Haystack）測試中，TurboQuant 在將 KV 緩存壓縮至少 6 倍的情況下，取得了與未壓縮基線完全一致的 0.997 分，而此前廣泛使用的 KIVI 方法在同等壓縮條件下得分爲 0.981，SnapKV 和 PyramidKV 等 token 級剪枝方案的表現則更弱。
在 LongBench 基準上，覆蓋問答、摘要、代碼補全和 few-shot 學習等任務，3.5 比特的 TurboQuant 在 Llama-3.1-8B-Instruct 上取得了 50.06 的平均分，與 16 比特全精度緩存的 50.06 持平；即便壓到 2.5 比特，平均分也只微降至 49.44。
圖丨大海撈針基準測試結果（來源：arXiv）
在向量搜索場景中，TurboQuant 同樣表現突出。研究團隊在 GloVe（200 維）和 OpenAI 嵌入（1536 維、3072 維）數據集上將其與 Product Quantization（PQ）和 RabitQ 做了對比。TurboQuant 在各個維度和比特精度下的 1@k 召回率均優於兩個基線，且完全不需要離線構建碼本，PQ 需要 37 秒的碼本構建時間（200 維、4 比特），RabitQ 需要 597 秒，TurboQuant 只需 0.0007 秒，幾乎可以忽略。這意味着它天然適合數據持續更新的在線索引場景。
圖丨GloVe 數據集（d=200）基準測試結果（來源：Google Research）
值得一提的是，近期英偉達發佈的 KVTC（KV Cache Transform Coding）也致力於這一方向（同樣被 ICLR 2026 接收），且宣稱可達 20 倍壓縮，精度損失控制在 1 個百分點以內。不過兩者嚴格來說解決的是不同環節的問題。
TurboQuant 是向量量化路線，目標是在推理過程中即時把 KV cache 壓到低比特，然後直接用量化後的數據計算注意力，同時還兼顧向量搜索場景。 KVTC 走的是變換編碼路線，借鑑 JPEG 圖像壓縮的思路：先用 PCA 去相關，再做自適應量化，最後用 DEFLATE 熵編碼進一步壓縮。它更側重於 KV cache 的緊湊存儲與傳輸，典型場景是多輪對話之間把 cache 卸載到 CPU 或 SSD 再恢復，或者跨請求複用 cache。
NVIDIA 研究員 Adrian Lancucki 在接受 VentureBeat 採訪時也明確表示，KVTC 針對的是長上下文、多輪對話場景。相比較而言，TurboQuant則針對的是推理計算路徑上的實時壓縮。
在此之前，KV 緩存量化領域的標準基線是 2024 年發表於 ICML 的 KIVI，它引入了非對稱 2 比特量化方案，實現了約 2.6 倍的內存壓縮。KIVI 已經集成進了 HuggingFace Transformers，是目前部署最廣泛的方案之一。TurboQuant 在同類向量量化路線上直接把壓縮比從 2.6 倍拉到 6 倍以上，且不需要任何校準數據，進步幅度相當明顯。
需要指出的是，TurboQuant 論文中的實驗模型規模止步於 8B 參數左右（Llama-3.1-8B-Instruct、Ministral-7B-Instruct），尚未在 70B 或更大規模的模型上驗證。而恰恰是在這些大模型上，KV 緩存的壓縮才最迫切、收益也最大。
另外，這篇論文最早於 2025 年 4 月就出現在 arXiv 上，到現在快一年了，谷歌也沒有公佈官方的代碼實現或與現有推理框架（如 vLLM、TensorRT-LLM）的集成計劃，雖然社區已經出現了基於 Triton、MLX 和 llama.cpp 的第三方實現嘗試。
Mirrokni 團隊此前的 Titans 架構和 Nested Learning 範式也是類似情況，論文效果亮眼，學術社區討論熱烈，但官方代碼始終沒有釋出，落地全靠第三方復現。TurboQuant 是否會重複這個模式，目前還不好說。
從這一點上來說，內存股價跌得可能有點太早了，更何況，AI 模型對內存的胃口，總是會迅速膨脹到填滿所有可用空間。SemiAnalysis 此前在分析 HBM 發展路線時提過一個觀察，可以叫“內存帕金森定律”：每一輪硬件升級或軟件優化釋放出來的餘量，很快就會被更長的上下文窗口、更大的批處理規模、更復雜的推理管線吞掉。
所以，TurboQuant 省下來的那 5 倍內存，大概率不會讓 GPU 閒着，它會被用來服務更多併發請求、處理更長的文檔，或者跑原本塞不下的大模型。壓縮技術擴大的是推理效率的供給側，不是在縮減內存的需求總量。
參考資料：
1.https://arxiv.org/pdf/2504.19874
2.https://arxiv.org/pdf/2511.01815
3.https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/
運營/排版：何晨龍
